Rede Adversária Generativa – GAN

Uma rede adversária generativa (GAN) é uma estrutura de aprendizado de máquina que consiste em duas redes neurais. Dessa forma, saiba o que é e como funciona uma Rede Adversária Generativa – GAN no artigo a seguir.

O que significa Rede Adversária Generativa – GAN?

A Rede Adversária Generativa – GAN consiste em duas redes neurais: uma geradora e uma discriminadora. A função da geradora é gerar dados sintéticos (como imagens, texto ou áudio), enquanto a discriminadora tenta distinguir entre os dados sintéticos e os dados reais de um conjunto de treinamento.

Durante o treinamento, a geradora aprende a produzir resultados cada vez mais realistas, tentando enganar a discriminadora, e a discriminadora aprende a melhorar sua capacidade de identificar corretamente os dados sintéticos. Esse processo contraditório incentiva ambas as redes a se aperfeiçoarem com o tempo.

O objetivo final de uma GAN é gerar dados sintéticos que sejam indistinguíveis dos dados reais.

As GANs desempenham uma função importante na IA generativa. Elas são usadas para aumentar os dados para aplicativos de visão computacional e gerar conteúdo de imagem, voz, vídeo e texto.

As GANs também são usadas para criar conteúdo falso profundo.

Como funciona uma GAN

As duas redes competem entre si em um jogo de soma zero. O objetivo do jogo é que a geradora melhore sua capacidade de produzir dados sintéticos que pareçam reais e, ao mesmo tempo, a discriminadora melhore sua capacidade de classificar corretamente os dados como sendo reais ou sintéticos.

O jogo termina quando a rede discriminadora não é capaz de distinguir os dados sintéticos da rede geradora dos dados reais.

As GANs são projetadas especificamente para tarefas de aprendizado de máquina não supervisionadas e cada rodada do jogo de soma zero que as duas redes jogam é, na verdade, uma sessão de treinamento.

Durante cada iteração do jogo, o gerador alimenta a rede discriminadora com um lote de amostras de dados reais e um lote de igual tamanho de amostras de dados gerados.

A discriminadora tem a tarefa de atribuir altas probabilidades aos dados reais e baixas probabilidades aos dados sintéticos e compartilhar essas informações com a geradora. A geradora usa esse feedback para ajustar seus parâmetros e eles são reproduzidos novamente.

O jogo de soma zero cria uma dinâmica competitiva que ajuda a rede geradora a capturar padrões estatísticos dos dados de treinamento e a usar a aprendizagem profunda para gerar novas amostras que apresentem características semelhantes.

Ao mesmo tempo, ajuda a rede discriminadora a aprender mais sobre a distribuição subjacente dos dados de treinamento reais e a se tornar melhor na classificação dos novos dados que recebe.

À medida que o jogo avança, a geradora ajusta continuamente os parâmetros para tentar produzir dados realistas e, ao mesmo tempo, a discriminadora ajusta continuamente seus próprios parâmetros para se tornar mais preciso em suas previsões.

O jogo continua até que a rede discriminadora não seja capaz de distinguir entre amostras reais e geradas. Nesse ponto, as duas redes atingiram a convergência e o treinamento é interrompido.